OPTIMASI PENJADWALAN PERKULIAHAN MENGGUNAKAN ALGORITMA

GENETIKA

(Studi Kasus: Prodi Matematika FMIPA Universitas Mataram)

Pendahuluan

Matematika merupakan suatu cabang ilmu yang dapat membantu dalam penyelesaian
berbagai permasalahan dikehidupan, salah satunya optimasi penjadwalan menggunakan
algoritma genetika. Penjadwalan merupakan proses atau cara membagi waktu berdasarkan
rencana urutan kerja, biasanya berupa table rencana kegiatan dengan pembagian waktu
pelaksanaan yang terperinci. Penjadwalan diperlukan sebagai acuan dalam melakukan kegiatan
tertentu (Maharani, 2013). Penjadwalan suatu kegiatan merupakan sesuatu yang tidak mudah,
karena dalam penyusunannya memerlukan perencanaan yang matang agar dapat terlaksana
dengan optimal. Salah satu masalah penjadwalan yang sering dijumpai di beberapa universitas
adalah susahnya menyesuaikan mata kuliah dengan dengan kendala waktu, dosen pengajar,
jumlah ruangan yang terbatas.

Berdasarkan permasalahan terkait penjadwalan perkuliahan yang sering terjadi, maka

diperlukan alternatif solusi dalam menyelesaikan masalah tersebut yaitu dengan menggunkan
algoritma genetika. Algoritma genetika merupakan salah satu algoritma komputasi yang
memanfaatka teori evolusi. Menurut Damayanti (2018), salah satu definisi dari algoritma
genetika adalah gen. Gen adalah suatu nilai yang dapat berbentuk biner, bilangan float, integer
atau karakter yang kemudian dikelompokkan menjadi suatu kesatuan yang disebut kromosom.
Sedangkan individu berarti mewakili solusi terhadap suatu permasalahan. Untuk dapat mengukur
seberapa baik suatu individu, maka nilai tersebut harus diukur dengan membandingkan nilai
fitness setiap individu sesuai dengan proses algoritma genetika.

Algoritma genetika telah banyak diterapkan pada beragam studi ilmiah, salah satunya
pada penelitian oleh Damayanti, dkk (2018) mengenai optimasi penjadwalan bimbingan skripsi
menggunakan algoritma genetika. Dalam penelitiannya dilakukan di fakultas ilmu computer
Universitas Brawijaya. Hasil penelitiannya menunjukkan bahwa algoritme genetika dapat
diimplementasikan pada penjadwalan bimbingan skripsi. Implementasinya algoritme genetika
yang digunakan yaitu beberapa struktur seperti, inisialisasi kromosm, reproduksi (crossover dan
mutasi), evaluasi fitness dan seleksi. Selain itu terdapat juga penelitian oleh Andi dan Nasien
(2022) terkait optimasi penjadwalan pada perkuliahan menggunakan algoritma genetika. Hasil
dari penelitiannya memperoleh optimasi yang cukup baik dalam penjadwalan mata kuliah. Dan
dijelaskan juga bahwa jika terjadi bentrok antar kelas maka data akan diolah kembali untuk
pengadaan jadwal.

Berdasarkan pemaparan diatas, pada penelitian ini akan dilakukan hal serupa untuk
membuktikan penjadwalan yang kompleks bisa diatasi dengan algoritma genetika. Dengan
beberapa rumusan masalah yang disesuaikan yaitu :1) Bagaimana penerapan algoritma genetika
dalam penjadwalan dan optimalisasi ruangan di lingkungan kampus? 2) Bagaimana proses
penjadwalan dengan metode algoritma genetika? 3) Seberapa efektif metode algoritma genetika
dalam menyelesaikan permasalahan penjadwalan dan ruangan?. Penelitian ini akan dilakukan di
Prodi Matematika FMIPA Universitas Mataram.

Landasan Teori

1. Algoritma Genetika
Algoritma Genetika pertama kali ditemukan di Universitas Michigan, Amerika
Serikat, oleh John Holland pada tahun 1975 melalui risetnya, dan kemudian dikenalkan lebih
luas oleh David Goldberg, salah satu muridnya (Robby, 2008). Algoritma Genetika
merupakan suatu bentuk algoritme komputasi yang memanfaatkan prinsip-prinsip teori
evolusi. Dengan meniru konsep evolusi, individu dalam algoritma genetika mengalami
perubahan, yang dapat disebabkan oleh mutasi, dengan harapan bahwa individu yang
berhasil bertahan dan beradaptasi di lingkungan baru akan dihasilkan sebagai individu
terbaik (Lilis dkk, 2018). Algoritma ini memanfaatkan pendekatan dengan menggabungkan
berbagai solusi terbaik secara acak dalam satu kelompok dengan tujuan menciptakan
generasi solusi terbaik berikutnya pada kondisi tertentu yang memaksimalkan kecocokan
atau sering disebut sebagai fitness. Generasi tersebut merepresentasikan peningkatan pada
populasi awal. Dengan mengulangi proses ini diharapkan algoritma ini dapat
mensimulasikan proses evolusioner dan akhirnya menghasilkan solusi-solusi yang paling
optimal untuk permasalahan yang dihadapi (Robby, 2008).
Salah satu konsep dalam algoritma genetika adalah gen, yang merupakan suatu nilai
berupa biner, float, integer, atau karakter yang kemudian digabungkan menjadi satu entitas
 yang disebut kromosom. Individu, dalam konteks ini mencerminkan representasi dari salah
satu solusi untuk suatu permasalahan. Untuk menilai tingkat keunggulan suatu individu
perlu dilakukan perbandingan berdasarkan nilai kecocokan (fitness) pada setiap individu
sesuai dengan langkah-langkah algoritma genetika (Lilis dkk, 2018).
2. Struktur Umum Algoritma Genetiksa
Algoritma genetika dimulai dengan membentuk sebuah populasi yang terdiri dari
sekelompok keadaan yang dipilih secara acak. Populasi ini kemudian menggabungkan dua
kelompok induk, di mana setiap keadaan atau individu direpresentasikan sebagai suatu
urutan karakter.
a. Bangkitkan Populasi awal
Proses ini merupakan proses yang digunakan untuk membangkitkan populasi awal
secara random sehingga didapatkan solusi awal. Populasi awal ini dibangkitkan secara
random sehingga diperoleh solusi awal. Populasi ini sendiri terdiri atas sejumlah
kromosom yang mempresentasikan solusi yang diinginkan.
b. Evaluasi fitness
Proses ini merupakan proses untuk mengevaluasi setiap populasi dengan menghitung
nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti.
Suatu individu dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran
performansinya. Didalam evolusi alam, individu yang bernilai fitness rendah akan
mati. Pada masalah optimasi, jika solusi yang dicari adalah memaksimalkan sebuah
fungsi h (dikenal sebagai masalah maksimasi), maka nilai fitness yang digunakan
adalah nilai dari fungsi h tersebut, yakni fitness f = h .
c. Seleksi
Proses seleksi merupakan proses untuk menentukan individu-individu mana saja yang
akan dipilih untuk dilakukan crossover. Ada beberapa jenis metode seleksi yang biasa
digunakan diantaranya yaitu : Metode yang menirukan permainan roulette-wheel
dimana masing-masing kromosom menempati potongan lingkaran pada roda roulette
secara proporsional sesuai dengan nilai fitnessnya. Seleksi Rangking Proses dimulai
dengan merangking atau mengurutkan kromosom di dalam populasi berdasarkan
fitnessnya kemudian memberi nilai fitness baru berdasarkan urutannya.
d. Crossover
 Proses crossover ini merupakan proses untuk menambah keanekaragaman string dalam
satu populasi. Operator pindah silang mempunyai peran yang paling penting dalam
algoritma genetik karena didalamnya terdapat proses perkawinan (persilangan) gen
antara dua individu (parent) yang menghasilkan dua individu baru (offspring) pada
generasi berikutnya.
e. Mutasi
Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam suatu
kromosom. Mutasi menciptakan individu baru dengan melakukan modifikasi satu atau
lebih gen dalam individu yang sama. Mutasi berfungsi untuk menggantikan gen yang
hilang dari populasi selama proses seleksi serta menyediakan gen yang tidak ada
dalam populasi awal.
f. Kriteria berhenti
Kriteria berhenti merupakan kriteria yang digunakan untuk menghentikan proses
Algoritma Genetika yang merupakan tujuan yang ingin dicapai dari proses tersebut
g. Hasil
Hasil merupakan solusi optimum yang didapat dengan menggunakan Algoritma
Genetika.

DAFTAR PUSTAKA

Maharani, F. 2013. Sistem Penjadwalan Proyek Menggunakan Algoritma Genetika. Jurusan

Teknik Informatika Fakultas Sains Dan Teknologi Universitas Islam Negeri Sultan Syarif
Kasim Pekanbaru Riau.

Damayanti, L., Cholissodin, I., dan Marji. 2018. Optimasi Penjadwalan Bimbingan Skripsi
Menggunakan Algoritme Genetika (Studi Kasus : Fakultas Ilmu Komputer Universitas
Brawijaya) (Vol. 2, Issue 9). http://j-ptiik.ub.ac.id.

Nasien, D., & Andi, A. 2022. Optimization of Genetic Algorithm in Courses Scheduling. IT
Journal Research and Development, 151–161. https://doi.org/10.25299/itjrd.2022.7896.
BIBLIOGRAPHY Budhi, R. K. (2008). Aplikasi Algoritma Genetik Untuk Optimasi. Jurnal Transformatika,
6(1), 1-8.

Damayanti, L., Cholissodin, I., & Marji. (2018). Optimasi Penjadwalan Bimbingan Skripsi
Menggunakan Algoritme Genetika (Studi Kasus : Fakultas Ilmu Komputer Universitas
Brawijaya). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(9), 3370-
3375.

Rasmila, & Kristanti, S. D. (2022). Optimalisasi Sistem Penjadwalan Mata Kuliah Jurusan
Bahasa Inggris Menggunakan Algoritma Genetika (Studi Kasus Politeknik Negeri
Sriwijaya). Jurnal Jupiter, 14(2), 22-31.